Jiahua Dong 团队用 3 万小时第一人称视频训练世界模型，模型学会动作却学不会物理后果

Jiahua Dong 团队用 3 万小时第一人称视频训练世界模型后发现，模型学会了手会往哪里去，却远没学会被触碰的物体发生了什么。从 300 小时扩到 3 万小时差距没有缩小，模型加大 4 倍也几乎无效。Tonghe Zhang 据此批评「扩大视频数据规模就能解决机器人问题」的说法，指出存在从观测中永远无法解码的状态，perception is deception。